-
公开(公告)号：CN109784476A
公开(公告)日：2019-05-21
申请号：CN201910029814.0
申请日：2019-01-12
Applicant: 福州大学
Abstract: 本发明涉及一种改进DSOD网络的方法，首先对输入图像进行预处理，将预处理后的图像输入到DSOD特征提取子网络中，在特征提取子网络的第二个转接层后加入RFB_a网络模块，经过RFB_a网络中不同采样步长的Atrous卷积提取具有不同感受野的特征，在特征提取子网络后加入采样步长为6的Atrous卷积层，将Atrous卷积层产生的特征输入到多尺度预测层中，将多尺度预测层输入到损失函数中，在损失函数中加入IOG惩罚项，防止在预测密集的同类型目标时出现同类预测框重叠。同时，在训练阶段采用预热策略设置学习率，通过设置合适的批样本大小，降低了训练网络的硬件设备要求。本发明相对于原DSOD算法具有更高的检测精度，提高了对小目标的检测能力，同时降低了训练网络的硬件设备要求。
-
公开(公告)号：CN109670553A
公开(公告)日：2019-04-23
申请号：CN201811589935.2
申请日：2018-12-25
Applicant: 福州大学
Abstract: 本发明涉及一种基于自适应神经网络的智能光伏阵列故障诊断方法，包括以下步骤：步步骤S1:采集各种工况条件下的光伏电气特性数据，并通过采样滤波处理构成原始故障数据；步骤S2:将原始故障数据进行数据映射运算，得到总体故障特征数据;步骤S3:利用LDA算法对总体故障特征数据进行特征降维压缩至3维，得到新的特征数据；步骤S4:采用K折交叉检验将新的特征数据分成测试集和训练集，并设定隶属度函数个数和隶属度函数种类；步骤S5:生成初始模糊推理系统；步骤S6:构建自适应神经网络模糊推理系统模型；步骤S7:判断光伏阵列系统是否处于故障状态；本发明的技术能有效的对故障中的光伏阵列进行诊断分类，对比其他的机器学习算法，分类精度高结果准确。
-
公开(公告)号：CN109617526A
公开(公告)日：2019-04-12
申请号：CN201811561729.0
申请日：2018-12-20
Applicant: 福州大学
IPC: H02S50/10
Abstract: 本发明涉及一种基于小波多分辨分析和SVM的光伏发电阵列故障诊断和分类的方法，首先采集光伏阵列不同工作状态下不同温照度的电流和电压样本信号；接着进行归一化处理得到电流变化率、电压变化率、功率变化率和电导变化率；然后对得到的四个样本信号进行滑动取窗口信号，并进行小波变换的多分辨率分析；计算四个窗口信号第N层分解的高频信号的2范数，进而构成维度为4的特征向量；然后由不同工作状态的多组样本信号得到多个特征值向量，并分为训练数据与测试数据；最后设置支持向量机SVM的参数，从训练数据中训练故障诊断模型，用测试数据检测该模型的分类的准确性。本发明环境适用性强，有较强的创新性，训练的模型能实现较高精度的故障诊断和分类。
-
公开(公告)号：CN109583515A
公开(公告)日：2019-04-05
申请号：CN201811567074.8
申请日：2018-12-20
Applicant: 福州大学
IPC: G06K9/62
Abstract: 本发明涉及一种基于BP_Adaboost的光伏发电故障检测与分类方法，首先采集光伏发电阵列不同工作状态的最大功率点电压、各组串电流以及温照度，得到参数的样本组合；接着对每个参数样本进行归一化处理；然后确定BP神经网络的参数，接着利用得到的样本训练每一个BP神经网络，得到每个BP神经网络的权重；将t个神经网络通过权重合并成一个强分类器输出，得到训练模型；最后利用训练模型对光伏发电阵列的故障进行检测和分类，判断系统是否出现故障，若出现故障则给出故障类型。本发明能够在不影响光伏发电系统工作的情况下进行故障检测与分类。
-
公开(公告)号：CN109359702A
公开(公告)日：2019-02-19
申请号：CN201811529061.1
申请日：2018-12-14
Applicant: 福州大学
Abstract: 本发明涉及一种基于卷积神经网络的光伏阵列故障诊断方法，包括以下步骤：步骤S1:采集预设工况下的光伏发电阵列数据；步骤S2:根据得到的光伏发电阵列数据，进行图形绘制，得到时序曲线图，并将时序曲线图保存为图片作为样本数据；步骤S3:将所述样本数据分成训练集和验证集,并利用18层卷积神经网络、1层dropout层与1层全连接神经网络对训练集中的样本数据进行训练，得到故障诊断训练模型；步骤S4:根据得到的验证集和故障诊断训练模型，对所述实际待测工况下的光伏发电阵列数据进行诊断，判断光伏发电阵列是否处于故障状态以及故障类型。本发明可以准确识别出光伏组件正常与多个故障状态。
-
Patent Agency Ranking
公开(公告)号：CN109035343A
公开(公告)日：2018-12-18
申请号：CN201810766873.1
申请日：2018-07-12
Applicant: 福州大学
CPC classification number: G06T7/80 , G01B11/02 , G06T7/33 , G06T2207/10004 , G06T2207/30244
Abstract: 本发明涉及一种基于监控相机的楼层相对位移测量方法，通过远程操作监控相机云台，调整监控相机的角度，采集不同角度下的图像作为标定用图像；从标定用图像上提取标定所需的特征点，并根据张正友标定方法对监控相机进行内外参数的标定；采集测量视频进行相对位移测量；对图像的畸变进行逐帧矫正；提取每幅图像的特征点，并对相邻图像帧的特征点进行匹配，以实现特征点的跟踪；获取同一特征点在相邻帧的像素坐标差，将像素坐标差转换为世界坐标，并进行相对位移计算，根据RANSAC剔除异常数据，完成楼层相对位移测量。本发明所提出的基于监控相机的楼层相对位移测量方法，在远程计算机监控端就可以完成所有操作，能高效、实时地对监控画面进行测量，具有较好的实际工程应用价值。
-
公开(公告)号：CN109034220A
公开(公告)日：2018-12-18
申请号：CN201810766919.X
申请日：2018-07-13
Applicant: 福州大学
CPC classification number: G06K9/6256 , G06N3/08 , G06Q10/0639
Abstract: 本发明涉及一种基于最优旋转森林的智能光伏阵列故障诊断方法。该方法：首先，采集各种工况条件下的光伏电气特性数据并进行数据映射相关运算，得到全面的故障特征；其次，利用ReliefF特征选择算法对其进行重要性权重排序，获得最重要的故障特征；而后，利用改进旋转森林算法对其进行处理获得基分类器的输入变量；再而，极限学习机代替原始旋转森林算法中的决策树以克服过拟合问题，遍历法获取最优模型参数；进一步地，利用改进旋转森林算法与极限学习机相结合的混合算法对训练集中的每个样本进行训练，得到最优旋转森林故障诊断训练模型；最后，利用训练模型对光伏阵列进行故障检测和分类。本发明方法分类准确率较高，是一种有效的光伏故障诊断替代方案。
-
公开(公告)号：CN108711251A
公开(公告)日：2018-10-26
申请号：CN201810835637.0
申请日：2018-07-26
Applicant: 福州大学
Abstract: 本发明涉及一种基于NB‑IoT的智能烟雾报警系统及其实现方法。包括烟感报警终端、NB‑IoT基站和核心网、物联网平台、客户端；所述烟感报警终端包括STM32L431单片机模块及与该STM32L431单片机模块连接的电源模块、用于实现系统与NB‑IoT进行通信的BC95无线通信模块、用于实现烟雾浓度的采集的MQ‑2烟雾报警模块和用于实现报警阈值调节的按键模块；MQ‑2烟雾报警模块采集的烟感信号，通过BC95无线通信模块上传至物联网平台，物联网平台判断烟雾浓度超过烟雾浓度阈值时在手机APP端会产生报警信号，同时下发报警命令；所述客户端用于实现系统中用户登录、消息推送、设备添加、设置设备信息以及发送下行命令功能。本发明可以准确判断发生火情的时间；相比于传统的火灾报警系统，时效性更高，传输更加及时，稳定。
-
公开(公告)号：CN105955148B
公开(公告)日：2018-09-18
申请号：CN201610514157.5
申请日：2016-07-01
Applicant: 福州大学
IPC: G05B19/042 , H02S50/10
Abstract: 本发明涉及一种基于ZigBee的光伏组件在线监测与故障诊断方法，采用模块化设计，将系统分成光伏组件无线传感器节点、数据网关、数据管理中心。光伏组件无线传感节点由CC2530无线收发器、传感器模块和电源管理模块构成，用于监测光伏组件的工作参数和环境参数，并通过ZigBee网络传给数据网关；数据网关采用基于ARM核的Mini2440控制器进行设计，完成对监测数据的缓存并将其转发给数据管理中心；数据管理中心采用QT软件进行设计，实现对数据网关转发过来的监测数据进行存储、显示、查询以及对传感网参数配置等功能，并基于实际监测数据采用遗传算法优化BP神经网络故障诊断模型，对光伏阵列的正常、短路、阴影和老化四种常见工况状态进行自动诊断。
-
公开(公告)号：CN108062571A
公开(公告)日：2018-05-22
申请号：CN201711439293.3
申请日：2017-12-27
Applicant: 福州大学
Abstract: 本发明涉及一种基于差分进化随机森林分类器的光伏阵列故障诊断方法。该方法：首先，采集各种工况条件下的光伏阵列电压和各个光伏组串的电流，并以不同的标识符对各种工况进行标识；其次，采用基于袋外数据的分类误判率均值大小确定随机森林模型中决策树的数量范围；而后，利用差分进化算法对其决策树数量范围进行全局优化，得到最优的决策树数量值；再而，将计算出的最优决策树数量值带入利用随机森林分类器并对样本进行训练，得到随机森林故障诊断训练模型；最后，利用训练模型对光伏阵列进行故障检测和分类。本发明方法，能够在保证最优的模型分类准确率的同时大大加快模型训练速度，从而更快速、准确地实现对光伏发电阵列的故障检测和分类。
-
-
-
-
-
-
-
-
-
Search Results
177
records
(took 0.03 seconds)
